DiffuseExpand：利用扩散模型扩展二维医学图像分割数据集
图像与视频处理
2023-06-07 v2 计算机视觉与模式识别
摘要
由于隐私问题和标注困难，数据集扩展可有效缓解医学图像分割中的数据稀缺问题。然而，现有扩展算法仍面临巨大挑战，因为它们无法保证合成图像与配对分割掩码之间的多样性。近年来，扩散概率模型（DPMs）已展现出强大的图像合成性能，甚至优于生成对抗网络（GAN）。基于这一见解，我们提出一种称为 DiffuseExpand 的方法，利用 DPM 扩展二维医学图像分割数据集，该方法首先从高斯噪声中采样多种掩码以确保多样性，然后合成图像以确保图像与掩码的对齐。此后，DiffuseExpand 筛选高质量样本以进一步增强数据扩展的有效性。我们在 COVID-19 和 CGMH Pelvis 数据集上的对比与消融实验证明了 DiffuseExpand 的有效性。我们的代码发布于 https://github.com/shaoshitong/DiffuseExpand。
引用
@article{arxiv.2304.13416,
title = {DiffuseExpand: Expanding dataset for 2D medical image segmentation using diffusion models},
author = {Shitong Shao and Xiaohan Yuan and Zhen Huang and Ziming Qiu and Shuai Wang and Kevin Zhou},
journal= {arXiv preprint arXiv:2304.13416},
year = {2023}
}
备注
Accepted by IJCAI workshop (1st International Workshop on Generalizing from Limited Resources in the Open World). pre-version was rejected by MICCAI